Mô hình Fast R-CNN cải tiến cho giải pháp nhận dạng, phát hiện trái dứa thời kỳ chín
##plugins.themes.academic_pro.article.main##
Author
-
Trịnh Trung HảiTrường Đại học Công nghệ Thông tin và Truyền thông Việt-Hàn - Đại học Đà NẵngNguyễn Hà Huy CườngTrung tâm Phát triển Phần mềm - Đại học Đà NẵngNinh Khánh DuyTrường Đại học Bách khoa - Đại học Đà Nẵng
Từ khóa:
Tóm tắt
Trong những năm gần đây, khoa học công nghệ đã được ứng dụng mạnh mẽ và góp phần phát triển kỷ nguyên chuyển đổi số. Dịch bệnh COVID-19 đã kiểm chứng việc ứng dụng thành tựu công nghệ trong thực tế là rất hữu ích. Ngày càng có nhiều ứng dụng thông minh trong lĩnh vực nông nghiệp để thay thế nông nghiệp truyền thống. Đặc biệt là các ứng dụng trí tuệ nhận tạo vào tự động hóa các khâu sản xuất và bảo quản nông sản Việt Nam. Trong bài báo này, nhóm tác giả trình bày giải pháp nhận dạng phát hiện trái dứa vào thời kỳ thu hoạch sử dụng mô hình Fast R-CNN cải tiến, thực nghiệm được thực hiện tại các vùng, vườn trồng dứa ở Việt Nam với sản lượng thu hoạch khá lớn. Từ đó xây dựng hệ thống ứng dụng dự đoán trái dứa chín chạy trên nền tảng di động nhằm hỗ trợ người nông dân đạt hiệu quả hiệu quả kinh tế cao đối với cây dứa và các cây nông nghiệp chủ lực của Việt Nam.
Tài liệu tham khảo
-
[1] Jiuxiang Gua,∗, Zhenhua Wangb,∗, Jason Kuenb, Lianyang Mab, Amir Shahroudyb…, “Recent Advances in Convolutional Neural Networks/”, arXiv:1512.07108v6 [cs.CV] 19 Oct 2017, pp 01-38.
[2] Girshick, R. “FAST R-CNN”, In Proceedings of the IEEE international conference on computer vision, 2015, 1440–1448.
[3] Uijlings, J. R., Van De Sande, K. E., Gevers, T., and A. W. Smeulders, “Selective search for object recognition”. J. Comput. Vis. 104, doi: 10.1007/s11263-013-0620-5, 154–171.
[4] Byoungjun Kim, You-Kyoung Han, Jong-Han Park and Joonwhoan Lee1, “Improved Vision-Based Detection of Strawberry Diseases Using a Deep Neural Network”, 2020, https://doi.org/10.3389/fpls.2020.559172.
[5] Jose Luis Rojas-Aranda, Jose Ignacio Nunez-VarelaJ. C. Cuevas-TelloGabriela Rangel-Ramirez. “Fruit Classification for Retail Stores Using Deep Learning”, 2021, doi:1007/978-3-030-49076-8_1.
[6] Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi. “You Only Look Once: Unified, Real-Time Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), arXiv:1506.02640v5 [cs.CV] 9 May 2016.
[7] Horea MURESAN an Mihai OLTEAN, “Fruit recognition from images using deep learning”, Acta Univ. Sapientiae, Informatica 10, June 2018, 26-42.
[8] Md Tohidul Islam, Sagidur Rahman, B.M. Nafiz Karim Siddique and Taskeed Jabid, “Image Recognition with Deep Learning”, ICIIBMS, 2018, 106-110.
[9] Emmanuel Karlo Nyarko, Ivan Vidovic, K. Radocaj and Robert Cupec, “A nearest neighbor approach for fruit recognition in RGB-D images based on detection of convex surfaces”, Expert Systems With Applications, Elsevier Ltd., July 2018, 454-466, 24.
[10] Tao Yongting and Zhou Jun, “Automatic apple recognition based on the fusion of color and 3D feature for robotic fruit picking”, Computers and Electronics in Agriculture, Elsevier B.V., July 2018, 388-396.
[11] Walter Maldonado Jr. and Jose Carlos, “Automatic green fruit counting in orange trees using digital images”, Computers and Electronics in Agriculture, Elsevier B.V., 27July 2016, 572-581.
[12] Nguyễn Thị Diệu Phương, “Ứng dụng mạng nơ ron trong nhận dạng mẫu và đánh giá chất lượng quả Xoài”, Luận văn thạc sỹ, Đại học Đà Nẵng, năm 2021.
[13] Shadman Sakib, Zahidun Ashrafi and Md. Abu Bakr Sidique, “Implementation of Fruits Recognition Classifier using Convolutional Neural Network Algorithm for Observation of Accuracies for Various Hidden Layers”, ArXiv e-Journal, 01 April, 2019, 1-4.
[14] Muresan, H., and Oltean, M, “Fruit recognition from images using deep learning. Acta Univ”, Sapientiae Inform, 10, 2018, 26–42. doi: 10.2478/ausi.
[15] Xiongwei Wu, Doyen Sahoo, Steven C.H. Hoi, “Recent Advances in Deep Learning for Object Detection”, Computer Vision and Pattern Recognition, Aug. 2019, arXiv:1908.03673v1 (cs.CV), pp 1-40.
[16] Simonyan and A. Zisserman. “Very deep convolutional networks for large-scale image recognition”, Computer Science, Computer Vision and Pattern Recognition, In ICLR, 2015, pp 01-14.
[17] Santagapita, P.R., Tylewicz, U. Panarese, V., Rocculi, P, Dalla, Rosa, M. “Nondestructive assessment of kiwifruit physic-chemical parameters to optimize the osmotic dehydration process”, A study on FT-NIR spectroscopy. Journal of Biosyst. Eng. 142, (2), 2016, 101-129.
[18] Stajnko, Denis and Lakota, Miran and Hoˇcevar, Marko. Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging. Computers and Electronics in Agriculture. 42. 2004, 31-42.
[19] Nguyen H.H.C., Luong A.T., Trinh T.H., Ho P.H., Meesad P., Nguyen T.T. “Intelligent Fruit Recognition System Using Deep Learning”. In: Meesad P., Sodsee D.S., Jitsakul W., Tangwannawit S. (eds) Recent Advances in Information and Communication Technology IC2IT 2021. Lecture Notes in Networks and Systems, vol 251. Springer, Cham. https://doi.org/10.1007/978-3-030-79757-7_2''.
[20] Nguyen, H.H.C., Nguyen, D.H., Nguyen, V.L., Nguyen, T.T., “Smart solution to detect images in limited visibility conditions based convolutional neural networks”, In: Advances in Computational Collective Intelligence. ICCCI 2020. Communications in Computer and Information Science, vol. 1287, pp. 641–650. Springer, Cham (2020). https://doi.org/10.1007/978-3-030-63119-2-52.